数据底座：采纳在加深，财务影响却停在原地
麦肯锡 2026 年 State of AI 调查覆盖 97 个市场、超过 1700 位企业高管，呈现的表层事实是「采纳在加速」：约 89% 的组织已在至少一个职能中常态化使用 AI，44% 表示 AI 已在整个企业规模化铺开（上年为 38%）。在营收超过 10 亿美元的大型企业中，40% 报告正在规模化部署 AI 智能体，较上年 27% 明显上升；中小型企业这一比例则持平在 22%。
更值得注意的转向是「自建替代采购」：约 31% 的大型企业已在规模化使用软件编码智能体，近三分之一（32%）的组织表示已因此决定不下单购买某个现成软件产品或功能——用 Agentic 编码工具内部构建。这暗示 AI 正在重塑技术预算的分配逻辑，而非仅仅叠加在既有 IT 支出之上。
| 指标 | 2026 数值 | 同比变化 | 说明 |
|---|---|---|---|
| 已常态化使用 AI 的组织 | 约 89% | 上升 | 至少一个业务职能 |
| 企业级规模化铺开 AI | 44% | 38% → 44% | 全企业范围 |
| 大型企业规模化部署智能体 | 40% | 27% → 40% | 年营收超 10 亿美元 |
| 中小企业规模化部署智能体 | 22% | 持平 | 与上年相同 |
| 因 Agentic 编码放弃采购软件 | 32% | 新增信号 | 内部自建替代购买 |
「用得越来越广」与「赚没赚到钱」是两条脱节的曲线。采纳率、规模化率一路向上，但把 AI 归因到企业 EBIT 的比例连续两年几乎不动——这说明多数组织的 AI 投入仍停留在「活动」层面，尚未转化为可记入账面的「工作」。
落差一：个人效率 80% 与企业 EBIT 37% 的断裂
调查中最刺眼的一组对照来自个体与组织两个层面。80% 的受访者表示 AI 提升了个人生产力，50% 表示 AI 帮助他们做出更好的决策——个体层面的获益是真实且广泛的。但企业层面：仅 37% 的受访者将任何 EBIT 影响归因于 AI 使用（与上年基本持平），而被称为「高绩效者」（将至少 5% 的 EBIT 归功于 AI 且认为影响「显著」）的比例稳定在约 6%。
二次解读（基于麦肯锡调查数据的行业综合）进一步量化了这道鸿沟的另一侧：企业对 Agentic AI 的平均预期投资回报率为 171%，但只有约 39% 能将任何 EBIT 影响归因到 AI，94% 未看到实质盈利影响。也就是说，企业内部同时存在两个互相矛盾的真相——员工普遍「用得爽、效率高」，而财务部门「看不出钱从哪来」。这不是模型能力问题，而是价值传导机制问题：个人节省的分钟数散落在未协调的工作流里，到达不了利润表。
| 观察层面 | 信号 | 来源 |
|---|---|---|
| 个体生产力改善 | 80% 受访者确认 | McKinsey State of AI 2026 |
| AI 助力更好决策 | 50% 受访者确认 | McKinsey State of AI 2026 |
| 归因到 EBIT 影响 | 37%（同比持平） | McKinsey State of AI 2026 |
| 高绩效者（≥5% EBIT 归因） | 约 6% | McKinsey State of AI 2026 |
| 预期 Agentic AI 平均 ROI | 171% | 行业二次解读（基于麦肯锡调查） |
| 未见实质盈利影响 | 94% | 行业二次解读（基于麦肯锡调查） |
落差二：Agentic 早期采纳者 88% 首年回报 vs 生成式 AI 74%
割裂的另一半藏在「部署形态」里。同一份调查中，Agentic AI 早期采纳者里有 88% 在首年内报告了 ROI，而生成式 AI 整体使用者的这一比例为 74%。差异不在模型选择，也不在支出规模——早期采纳者运行的是能够端到端完成工作、自主处理异常、并嵌入实际业务系统的 Agent；而停留在「辅助人回答问题」的 Copilot 与试点，任务本身、异常处理与最终签核仍留在人手里。
麦肯锡自身就是一组佐证：该公司据公开报道运行着约 2.5 万个 AI Agent 与 4 万名员工协作，过去一年节省 150 万小时工时，后台部门人数下降 25% 的同时产出增长 10%。这是「 earnings impact（盈利影响）」而非「assistance（协助）」——Agent 在系统里真正行动，而不是在对话窗口里给建议。
判断一家企业落在 94% 还是 6% 一侧的变量，不是「买了哪个模型」，而是「怎么部署」。能进入损益表的 Agent 需要三件事同时成立：可度量「完成的工作」而非「调用量」的评估体系、异常处理可追溯的审计轨迹、以及能在业务系统内部行动的真实集成。缺任何一件，Agent 就只是一个永远不会变成部署的 Demo。
决策红利：端到端重构工作流者拿到约 20% EBITDA 提升
麦肯锡同期发布的《决策红利：AI 如何创造经济价值》把「为什么少数企业能落账」讲得更透。报告的核心结论是：多数企业只是把 Copilot、聊天机器人和仪表盘叠加在既有流程上，只产生 modest 的财务收益；而那些围绕 AI 重新设计端到端工作流的企业，往往能实现约 20% 的 EBITDA 提升、每投入 1 美元换来 3 美元利润、回收期 1 到 2 年。
更关键的洞察是：AI 的价值来源远不止「降本裁员」。报告分析显示，SG&A（销售、一般及行政管理费用）在大多数企业只占 5%–12%，单纯压缩这些成本无法解释 20% 的 EBITDA 改善。真正的价值来自更快的决策（决策周期从数周压到数天）、既有资产的更好利用、以及更强的能力捕捉机会——这些「被忽视的价值来源」往往在端到端重构后才释放。
高绩效者的具体做法印证了这一点：约 74% 的高绩效企业从零 redesign 工作流使其 AI 原生，而其余样本仅 25% 这么做；82% 将 AI initiative 指向增长与创新（新业务机会、客户体验），78% 同时追求成本效率。换言之，领先者把 AI 当「业务流程改造工程」，落后者把 AI 当「功能叠加」。
成本约束：token 正在重塑支出纪律
报告也给出了一记冷静的提醒：AI 相关运营成本（含 token 成本）已开始约束约 20% 组织的 AI 使用，即便大多数受访者仍计划增加投入。Agentic 多步决策的成本可能比简单单步决策高 100 到 1000 倍——因为存在验证与精炼循环。这意味着「每百万 token 单价下降」并不自动降低总支出：自主多智能体系统反复调用基础模型、产生海量调用量，未优化的架构可能把大量算力烧在确定性规则或小模型就能处理的任务上。
行业分析给出的应对是「tokenomics 纪律」：以「每完成一个工作流的成本」而非「每次原始 API 调用的成本」来度量；通过动态路由（简单任务用小模型、复杂推理才上大模型）、混合 RAG 与确定性归一化、以及原生连接 ERP/MES 的细粒度权限连接器来控制波动。这对计划规模化的企业是直接的前置账本——在复制任何成果数字前，先算清「负向指标」那半本账。
对企业选型的含义
- 把「部署形态」当成首要选型维度：评估一家 Agent 平台时，先看它能否在自有业务系统里行动、能否处理异常、能否提供审计轨迹，而非只看模型榜单或对话能力。
- 优先选高量、强规则、可归因的工作流：高频、低风险、规则明确的流程（如客服首答、合规审核、内部调动）最容易先把 ROI 落账，再逐步向复杂场景扩展。
- 自建与采购的边界在松动：32% 的组织已因 Agentic 编码放弃采购现成软件，技术预算的「按席位收费」范式正被「按成果收费」挑战——选型时应把这一变量纳入总拥有成本测算。
- 建立可度量「完成工作」的评估体系：没有度量就没有落账；评估应面向业务结果（关闭的工单、qualify 的线索、对账的发票），而非调用量或活跃用户数。
- 把成本治理前置：以每工作流成本而非每 token 成本做预算护栏，避免 Agentic 循环把推理账单推高 100–1000 倍。
局限与未披露项
- EBIT 归因的口径依赖自报：37% 的 EBIT 归因与 6% 高绩效者均为受访者自评，调查未披露测量方法；横向引用时应标注口径。
- 171%/39%/94% 属二次解读：这三个数字来自基于麦肯锡调查的行业综合解读，并非麦肯锡原报告首页口径（原报告给出的是 37% 与 6%）；本文将其作为「预期—现实」对照的参考，与麦肯锡一手数据并列呈现。
- 样本偏向中大型组织：调查覆盖 97 个市场、1700+ 高管，但中小企业规模化比例持平，结论对资源有限的中小企业的外推性需谨慎。
- 「2.5 万 Agent / 4 万员工」为公开报道：麦肯锡自身案例来自媒体转述，具体计数方法未完整公开，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。